Ajoute référence au post de Raschka (#398)

content/NLP/index.qmd

@@ -124,6 +124,19 @@ communs ?) mais aussi sur leur proximité sémantique (partagent-ils un thème o
 
 [^embedding]: Un exemple d'intérêt de ce type d'approche est la @fig-relevanc-table-embedding.
 
+Comme l'illustre la figure suivante, empruntée à [Sebastian Raschka](https://magazine.sebastianraschka.com/p/understanding-encoder-and-decoder), les concepts que nous allons aborder
+dans cette partie sont indispensables pour être en mesure
+d'entraîner ou réutiliser ultérieurement un modèle
+sophistiqué d'analyse du langage:
+
+::: {#fig-encoder}
+
+![Surus](surus.png){#fig-surus}
+
+Illustration of the original transformer architecture proposed in [Attention Is All You Need, 2017](https://arxiv.org/abs/1706.03762)
+(source: [Sebastien Raschka](https://magazine.sebastianraschka.com/p/understanding-encoder-and-decoder))
+:::
+
 
 ## Pour aller plus loin {-}
 
@@ -133,4 +146,8 @@ unique ne compilera pas l'ensemble des connaissances, _a fortiori_ dans
 un champ de recherche aussi dynamique que le NLP. 
 
 Pour approfondir les compétences évoquées dans ce cours, je recommande vivement 
-ce [cours d'`HuggingFace`](https://huggingface.co/course/chapter1/2?fw=pt). 
+ce [cours d'`HuggingFace`](https://huggingface.co/course/chapter1/2?fw=pt). 
+
+Pour comprendre l'architecture interne d'un LLM,
+ce [post de Sebastian Raschka](https://magazine.sebastianraschka.com/p/understanding-encoder-and-decoder)
+est très utile.